← Kennisbank/Chat37
chat37GEO29 juli 20263 min lezenMvG | Atthis AI redactie

Schema markup voor GEO: begin met 2-3 types die kloppen

Welke structured data heeft je MKB-site nodig voor AI-zoektools? Nuchter overzicht: Organization, Product, Article, JSON-LD, validatie en wat je kunt laten.

Schema markup vertelt machines wat je pagina representeert: wie je bent, wat iets kost, wie het schreef. Voor Google is die werking gedocumenteerd; voor ChatGPT, Perplexity en Gemini veel minder. Dit is wat je als MKB-bedrijf wél zeker kunt doen — en wat je gerust kunt overslaan.

Schema markup voor GEO: begin met 2-3 types die kloppen

Schema markup vertelt machines wat je pagina representeert: wie je bent, wat iets kost, wie het schreef. Voor Google is die werking gedocumenteerd; voor ChatGPT, Perplexity en Gemini veel minder. Dit is wat je als MKB-bedrijf wél zeker kunt doen — en wat je gerust kunt overslaan.

Het kort: 4 praktijk-takeaways

1. Eén entiteit, één vast @id — Begin met één Organization- of LocalBusiness-blok in JSON-LD dat je bedrijf beschrijft: naam, contact, adres als je een fysieke locatie hebt, en sameAs naar je profielen. Geef die node een vast @id en hergebruik hem op elke pagina. Dat is het meest herbruikbare stuk en kost een kwartier.

2. Kies per paginatype, niet alles — Webshop? Product-schema met prijs, valuta, beschikbaarheid en GTIN. Blog? Article plus Person voor auteurs. Fysieke locatie? LocalBusiness. Twee tot drie types die volledig kloppen wegen zwaarder dan tien halfingevulde. FAQ-schema kun je laten liggen: Google heeft die rich result gedeprecieerd, al blijft de rest gewoon geldig.

3. Markup spiegelt zichtbare content — Structured data beschrijft wat op de pagina staat, niets meer. Reviews markeren die nergens zichtbaar zijn, of een aggregateRating zonder echte beoordelingen, levert genegeerde markup of een handmatige actie op. Check bij Shopify en WordPress eerst wat thema of plugin al genereert, zodat je geen dubbele blokken plaatst.

4. Valideer, onderhoud, meet indirect — Valideer met de Schema.org Validator én de Google Rich Results Test; ongeldige JSON-LD wordt simpelweg genegeerd. Herhaal dat na contentupdates, plugin-wijzigingen en migraties. AI-zichtbaarheid meet je niet in Search Console: volg schemafouten en CTR, en test steekproefsgewijs of ChatGPT of Perplexity je bedrijf correct beschrijft.

Waar AI dit goed kan — en waar niet

Schema markup is bij uitstek werk waar een taalmodel goed in is: JSON-LD genereren vanuit je bestaande pagina-inhoud, ontbrekende velden signaleren, en controleren of prijs, openingstijden of auteur in de markup overeenkomen met wat zichtbaar op de pagina staat. Ook het omzetten van een losse verzameling blokken naar één @graph met consistente @id-verwijzingen is routinewerk dat een model foutloos kan doen als je het de volledige HTML geeft.

Twee kanttekeningen. Ten eerste: modellen verzinnen soms properties die niet in het Schema.org-vocabulaire bestaan, of vullen een aggregateRating in omdat ‘dat erbij hoort’. Valideer daarom altijd machinaal én kijk zelf of elk veld iets beschrijft dat echt bestaat. Ten tweede: hoe ChatGPT, Perplexity en Gemini schema intern gebruiken is niet gedocumenteerd. De genoemde percentages zijn correlaties uit branchebronnen, geen bewijs. Behandel markup als hygiëne die je machineleesbaarheid verbetert, niet als GEO-knop.

Praktisch: voor genereren en valideren van JSON-LD heb je geen groot cloudmodel nodig. Een compact model dat lokaal of in de EU draait volstaat, en je hoeft geen klantdata of interne prijsbestanden naar een externe API te sturen.

Bron

Dit overzicht is gebaseerd op het volledige artikel van Chat37: Schema markup voor GEO: welke structured data je MKB-website nodig heeft

Het brand-artikel bevat een volledig JSON-LD-codevoorbeeld voor Organization, implementatie-instructies per CMS (WordPress, Shopify, custom), de bronverwijzingen achter de GEO-claims en een 15-minuten-startplan.

Het kort: 4 praktijk-takeaways

  1. 01 — Eén entiteit, één vast @id

    Begin met één Organization- of LocalBusiness-blok in JSON-LD dat je bedrijf beschrijft: naam, contact, adres als je een fysieke locatie hebt, en sameAs naar je profielen. Geef die node een vast @id en hergebruik hem op elke pagina. Dat is het meest herbruikbare stuk en kost een kwartier.

  2. 02 — Kies per paginatype, niet alles

    Webshop? Product-schema met prijs, valuta, beschikbaarheid en GTIN. Blog? Article plus Person voor auteurs. Fysieke locatie? LocalBusiness. Twee tot drie types die volledig kloppen wegen zwaarder dan tien halfingevulde. FAQ-schema kun je laten liggen: Google heeft die rich result gedeprecieerd, al blijft de rest gewoon geldig.

  3. 03 — Markup spiegelt zichtbare content

    Structured data beschrijft wat op de pagina staat, niets meer. Reviews markeren die nergens zichtbaar zijn, of een aggregateRating zonder echte beoordelingen, levert genegeerde markup of een handmatige actie op. Check bij Shopify en WordPress eerst wat thema of plugin al genereert, zodat je geen dubbele blokken plaatst.

  4. 04 — Valideer, onderhoud, meet indirect

    Valideer met de Schema.org Validator én de Google Rich Results Test; ongeldige JSON-LD wordt simpelweg genegeerd. Herhaal dat na contentupdates, plugin-wijzigingen en migraties. AI-zichtbaarheid meet je niet in Search Console: volg schemafouten en CTR, en test steekproefsgewijs of ChatGPT of Perplexity je bedrijf correct beschrijft.

Waar AI dit goed kan — en waar niet

Schema markup is bij uitstek werk waar een taalmodel goed in is: JSON-LD genereren vanuit je bestaande pagina-inhoud, ontbrekende velden signaleren, en controleren of prijs, openingstijden of auteur in de markup overeenkomen met wat zichtbaar op de pagina staat. Ook het omzetten van een losse verzameling blokken naar één @graph met consistente @id-verwijzingen is routinewerk dat een model foutloos kan doen als je het de volledige HTML geeft.

Twee kanttekeningen. Ten eerste: modellen verzinnen soms properties die niet in het Schema.org-vocabulaire bestaan, of vullen een aggregateRating in omdat ‘dat erbij hoort’. Valideer daarom altijd machinaal én kijk zelf of elk veld iets beschrijft dat echt bestaat. Ten tweede: hoe ChatGPT, Perplexity en Gemini schema intern gebruiken is niet gedocumenteerd. De genoemde percentages zijn correlaties uit branchebronnen, geen bewijs. Behandel markup als hygiëne die je machineleesbaarheid verbetert, niet als GEO-knop.

Praktisch: voor genereren en valideren van JSON-LD heb je geen groot cloudmodel nodig. Een compact model dat lokaal of in de EU draait volstaat, en je hoeft geen klantdata of interne prijsbestanden naar een externe API te sturen.